80 artículos
Este artículo presenta DBT-2026, un conjunto de datos público y desidentificado que incluye 558 exámenes de tomografía sintética de mama con anotaciones expertas y reportes radiológicos, diseñado para fomentar la investigación en imágenes de cáncer de mama.
Este estudio presenta y valida BUDAPEST, un algoritmo bayesiano de código abierto con interfaz gráfica que permite una estimación rápida, precisa y fiable del umbral motor en estimulación magnética transcraneal, reduciendo significativamente el número de pulsos necesarios y la carga para los participantes.
Este estudio demuestra que existe un excelente acuerdo y una precisión comparable entre los densitómetros GE Healthcare Prodigy e iDXA para los parámetros óseos 3D-DXA, lo que indica que no se requieren ajustes al utilizar el software 3D-Shaper en cualquiera de estos dispositivos.
El método de elastografía optimizado por soporte (HOE) mejora la detección no invasiva del linfedema relacionado con el cáncer de mama al visualizar áreas de alta velocidad causadas por obstrucciones linfáticas, aunque su utilidad diagnóstica requiere refinamientos técnicos para abordar la subestimación de lesiones tempranas y avanzadas.
Este documento identifica y resuelve la brecha de generalización entre los modelos de IA optimizados con etiquetas extraídas por NLP y el juicio de radiólogos expertos, demostrando que el uso de conjuntos de datos validados por expertos, el entrenamiento limitado y la regularización superan a la optimización directa, logrando así un rendimiento superior al de la línea base oficial en CheXpert.
Este estudio presenta un marco de aprendizaje profundo automatizado que cuantifica el volumen y la infiltración grasa en 20 músculos individuales de cadera y muslo en la UK Biobank, revelando heterogeneidad anatómica, patrones de deterioro longitudinal y firmas de enfermedad específicas según el sexo que no son detectables con métodos convencionales.
Este trabajo presenta un modelo de aprendizaje profundo para la segmentación automática de 19 compartimentos de tejido adiposo metabólicamente relevantes y depósitos de grasa ectópica en imágenes de resonancia magnética Dixon de cuerpo completo, junto con herramientas de código abierto para su cuantificación.
Este estudio revela que las alteraciones estructurales cerebrales crónicas tras un traumatismo craneoencefálico leve relacionado con el deporte en adultos jóvenes presentan patrones diferenciados por sexo, donde el engrosamiento cortical en el lóbulo parietal superior se asocia con déficits de atención en hombres, mientras que una mayor integridad de la sustancia blanca en el fascículo fronto-occipital superior se vincula con una mejor control de la impulsividad en mujeres.
Este estudio demuestra que la transferencia de conocimiento mediante redes neuronales profundas desde imágenes de resonancia magnética con contraste permite obtener volumetría renal precisa y bien calibrada a partir de imágenes sin contraste, aunque la estimación de la superficie y la segmentación de compartimentos específicos presentan limitaciones sistemáticas.
Este estudio demuestra que la segmentación automática basada en redes neuronales convolucionales de imágenes de TC permite obtener biomarcadores volumétricos renales reproducibles, donde el volumen cortical se correlaciona significativamente con la función renal global y dividida en candidatos a donante vivo.
Este estudio piloto demuestra que un agente de IA orquestado por un modelo de lenguaje grande puede automatizar de extremo a extremo la interpretación y cuantificación de PET/CT desde los datos DICOM crudos hasta la generación de informes estructurados, logrando una detección fiable del tumor primario pero mostrando limitaciones sistemáticas en la evaluación de ganglios linfáticos y metástasis que requieren supervisión experta.
Este estudio demuestra que, para la segmentación de tejido mamario denso en conjuntos de datos pequeños, el uso de arquitecturas CNN con ajuste fino completo, autoaprendizaje contrastivo multi-vista y una pérdida híbrida ofrece el mejor equilibrio entre precisión y eficiencia computacional, superando a los modelos basados en transformadores y a las estrategias de autoaprendizaje genéricas.
Este estudio presenta un marco robusto y escalable que identifica cinco subtipos espaciales de hiperintensidades de sustancia blanca mediante análisis de grandes cohortes, demostrando que estos patrones no solo reflejan perfiles de riesgo vascular distintos, sino que también mejoran la predicción de la progresión de la enfermedad en comparación con el volumen global de lesiones.
Este estudio demuestra que la intensidad de señal normalizada en la resonancia magnética dinámica con contraste (DCE-MRI) es significativamente mayor en el núcleo de la placa carotídea que en la pared vascular sana, mostrando una excelente reproducibilidad a lo largo de seis meses y sin verse alterada por el tratamiento con colchicina.
Este estudio demuestra que, para la segmentación hepática con IA, los conjuntos de datos altamente curados pueden lograr un rendimiento equivalente al de conjuntos mucho más grandes y mixtos, aunque estos últimos ofrecen ventajas en la generalización y mejoras locales, lo que indica que la compensación entre calidad y cantidad depende de los objetivos específicos del modelo.
Este estudio demuestra que la resonancia magnética ponderada en T2 a 7 Tesla permite detectar y cuantificar segmentos de espacios perivasculares leucocorticales en la interfaz de la sustancia gris y blanca en individuos sanos, sentando las bases para su uso en el diagnóstico de enfermedades neurológicas.
Este estudio demuestra que las gotas oculares de agua enriquecida con O-17 se distribuyen desde la cámara anterior hacia el líquido cefalorraquídeo a lo largo del nervio óptico, pero no hacia el vítreo, lo que sugiere la existencia de una vía de salida del humor acuoso hacia el sistema glicolinfático ocular.
Este estudio compara arquitecturas de modelado para predecir el estado de mutación de EGFR en cáncer de pulmón de células no pequeñas mediante tomografía computarizada, demostrando que la integración de características radiómicas y clínicas supera a los enfoques de aprendizaje profundo y contrastivo, con un AUC de 0.790.
Este estudio compara tres estrategias de evaluación para modelos de super-resolución basados en aprendizaje profundo en pequeños conjuntos de datos de resonancia magnética cerebral, concluyendo que la validación cruzada k-fold ofrece el mejor equilibrio entre precisión, estabilidad y viabilidad computacional.
Este estudio presenta un enfoque de aprendizaje automático basado en el análisis de componentes principales contrastivos (cPCA) para procesar datos de espectroscopia por resonancia magnética (MRSI) en pacientes con esclerosis múltiple, permitiendo filtrar artefactos y aislar firmas neurometabólicas significativas de las lesiones para su interpretación clínica y de investigación.